Estrategia de detección/clasificación de huellas dactilares específicas de gas asistida por aprendizaje automático basada en características mutuamente interactivas de matrices de sensores de gas semiconductor
Autores: Oh, Jiwon; Hwang, Heesu; Nam, Yoonmi; Lee, Myeong-Il; Lee, Myeong-Jin; Ku, Wonseok; Song, Hye-Won; Pouri, Safa Siavash; Lee, Jeong-O; An, Ki-Seok; Yoon, Young; Lim, Jongtae; Hwang, Jin-Ha
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Estrategia de detección/clasificación de huellas dactilares específicas de gas asistida por aprendizaje automático basada en características mutuamente interactivas de matrices de sensores de gas semiconductor
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Sensor de gas
Aprendizaje automático
óxido metálico semiconductor
Detección
Clasificación
Redes neuronales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 26
Citaciones: Sin citaciones
Se introduce una estrategia de sensor de gas asistido por aprendizaje automático de alto rendimiento basada en la integración de aprendizaje supervisado y no supervisado con una matriz de sensores de gas semiconductor de óxido metálico sensible al gas (SMO). Se eligió una matriz de 4 sensores SMO como sistema de sensor de prueba para detectar mezclas de monóxido de carbono (CO) y etanol (CHOH) utilizando 15 combinaciones diferentes. La detección/clasificación de sensores de gas se realizó con diferentes números de sensores de gas y algoritmos de aprendizaje automático. El agrupamiento de K-Means se empleó con éxito para identificar racionalmente las características de similitud de gases objetivo entre 4 grupos diferentes, es decir, gas de matriz, dos gases de un solo componente y una mezcla de dos gases, basado solo en información de sensores de gas basada en voltaje no etiquetada. Se realizó una clasificación detallada a través de una multitud de algoritmos supervisados, es decir, redes neuronales artificiales de 2 capas (ANN), redes neuronales profundas de 4 capas (DNN), redes neuronales convolucionales unidimensionales (1D CNN) y redes neuronales convolucionales bidimensionales (2D CNN). Se muestra que las DNN basadas en números y las CNN basadas en imágenes son enfoques excelentes para la detección y clasificación de gases, como lo indican los indicadores de mayor precisión y menor pérdida. A través del análisis de la influencia del número de sensores en el sistema de sensor de gas en matriz, la aplicación de la metodología de aprendizaje automático a un sistema de sensor de gas en matriz demuestra cuatro características únicas, es decir, una metodología de aumento de datos, un enfoque de aprendizaje automático que combina el agrupamiento de K-means y las redes neuronales, y un enfoque sistemático para combinaciones de sensores optimizadas, lo que puede llevar a las redes de sensores prácticos basadas en sensores químicos. Incluso dos combinaciones de sensores SMO se muestran altamente efectivas en la discriminación de gases contra entornos de gases diversos asistidos a través de DNN basadas en números y 1D CNN basadas en imágenes, superando el simple agrupamiento propuesto a través del agrupamiento no supervisado de K-means.
Descripción
Se introduce una estrategia de sensor de gas asistido por aprendizaje automático de alto rendimiento basada en la integración de aprendizaje supervisado y no supervisado con una matriz de sensores de gas semiconductor de óxido metálico sensible al gas (SMO). Se eligió una matriz de 4 sensores SMO como sistema de sensor de prueba para detectar mezclas de monóxido de carbono (CO) y etanol (CHOH) utilizando 15 combinaciones diferentes. La detección/clasificación de sensores de gas se realizó con diferentes números de sensores de gas y algoritmos de aprendizaje automático. El agrupamiento de K-Means se empleó con éxito para identificar racionalmente las características de similitud de gases objetivo entre 4 grupos diferentes, es decir, gas de matriz, dos gases de un solo componente y una mezcla de dos gases, basado solo en información de sensores de gas basada en voltaje no etiquetada. Se realizó una clasificación detallada a través de una multitud de algoritmos supervisados, es decir, redes neuronales artificiales de 2 capas (ANN), redes neuronales profundas de 4 capas (DNN), redes neuronales convolucionales unidimensionales (1D CNN) y redes neuronales convolucionales bidimensionales (2D CNN). Se muestra que las DNN basadas en números y las CNN basadas en imágenes son enfoques excelentes para la detección y clasificación de gases, como lo indican los indicadores de mayor precisión y menor pérdida. A través del análisis de la influencia del número de sensores en el sistema de sensor de gas en matriz, la aplicación de la metodología de aprendizaje automático a un sistema de sensor de gas en matriz demuestra cuatro características únicas, es decir, una metodología de aumento de datos, un enfoque de aprendizaje automático que combina el agrupamiento de K-means y las redes neuronales, y un enfoque sistemático para combinaciones de sensores optimizadas, lo que puede llevar a las redes de sensores prácticos basadas en sensores químicos. Incluso dos combinaciones de sensores SMO se muestran altamente efectivas en la discriminación de gases contra entornos de gases diversos asistidos a través de DNN basadas en números y 1D CNN basadas en imágenes, superando el simple agrupamiento propuesto a través del agrupamiento no supervisado de K-means.